Wie weit kann KI noch gehen? Die Grenzen des maschinellen Lernens

Das "Gehirn" der künstlichen Intelligenz hat sich weit entwickelt.
Das „Gehirn“ der künstlichen Intelligenz hat sich weit entwickelt.

KI ist das Forschungsgebiet, das in den letzten Jahren immense Erfolge erzielte und unseren technologischen sowie digitalen Aufschwung beschleunigte. Jeder weiß, wie vorteilhaft die Seiten- oder Video-Empfehlungen auf Google sowie Youtube sind und auch wie genau die Bilder- oder Keyword-Suche erfolgt. Wir wissen, dass Roboter als Haushaltshilfe dienen oder den Flughafen-Service unterstützen können. Doch wissen wir, was im Hintergrund der Suche geschieht? Wissen wir, wie KI „denkt“? Und vor allem: kennen wir überhaupt ihre Grenzen?

Der Begriff der „künstlichen Intelligenz“

Zunächst ist künstliche Intelligenz ein Wissenschaftsgebiet, das in mehrere Fachgebiete, wie der Psychologie, Linguistik und Informatik u.a., greift. Es widmet sich der Aufgabe, intelligentes Verhalten zu simulieren und zu automatisieren. Mit dem Ziel, Software zu entwickeln, die Problemstellungen lösen kann, wofür Intelligenz erforderlich ist. Es bezeichnet also Funktionen, die komplexe Problemlösungen und deren Umsetzbarkeit entwickeln, um menschliches Tun zu unterstützen oder zu ersetzen.

KI unterteilt sich in zwei Ebenen: symbolische und subsymbolische KI. Symbolische KI nutzt vorgegebenes Wissen und führt logische Erkenntnisse sowie Schlußfolgerungen in der Funktion von „Wenn-Dann“-Formulierungen herbei. Subsymbolische KI verwendet willkürliches Wissen, dessen komplexe Ordnung durch sog. „künstliche neuronale Netze“ herbeigeführt wird.

Die vier Intelligenz-Kategorien nach Wahlster helfen zu verstehen, wie die unterschiedlichen KI-Kompetenzen zu kennzeichnen sind. Die kognitive Intelligenz bezeichnet das Erlernen von und den Umgang mit Wissen. Hier ist die maschinelle Kompetenz bereits vorrangig. Die sensomotorische Intelligenz ist in der KI die am meisten gefragte Intelligenz. Sie erlebt Erfolge vor allem in der Bild-, Text- und Audio-Verarbeitung und übertrifft menschliches Können deutlich. Die emotionale Intelligenz beinhaltet die empathischen Verhaltensweisen und Reaktionsfähigkeiten, die in Grundzügen bereits in der Robotik erfolgreich realisiert wurden. Hierin liegt noch großes Verbesserungspotenzial maschineller Umsetzungen. Die soziale Intelligenz äußert sich im sozialen Miteinander und scheint für die KI am schwierigsten steuerbar zu sein. Der Mensch ist als soziales Gefüge unangefochten.

Da KI im Vergleich zum Menschen in vielen Einzelaufgaben bereits leistungsfähiger in der Problemlösung arbeitet, ist sie in all unseren Lebensbereichen aktiv. Sie erleichtert und optimiert unseren Alltag, denn sie ist die Schlüsseltechnologie zum menschlichen Wissensengpass. Angewandt wird KI vorwiegend in folgenden Bereichen: Börse und Finanzdienstleistungen (Datenverwaltung), Spiele (Gaming Bots), Medizin (Bildanalysen & Prognosen), Automatisierung (Fahrerassistenzsysteme, autonomes Fahren) und zivile Sicherheit (Audio & Video: Verarbeitung und Analyse). Besonders die Sprach- und Textverarbeitung ist im maschinellen Lernen hoch im Kurs. Die neuen Bots ermöglichen die Automatisierung in Textübersetzungen oder Dialogführungen (Chatbots) sowie Musik- und Textproduktionen. Künstliche Intelligenz unterstützt folglich schon jetzt viele Arbeitsfelder und wird zur starken Konkurrenz in der wettbewerbsorientierten Wirtschaft.

Wie „lernt“ KI?

Wie künstliche Intelligenz "lernt".
Wie künstliche Intelligenz „lernt“.

Ein Teilgebiet der KI ist das maschinelle Lernen (ML). Sie beschäftigt sich mit dem Lernprozess und damit dem Vorgang des „Denkens“ künstlicher Intelligenz. Maschinelles Lernen bezeichnet die maschinelle Kompetenz, aus Datenmengen Erkenntnisse zu erlangen und ihr Inneres zu kategorisieren. ML „lernt“, indem es aus den Inhalten exemplarischer Datensätze „Erfahrung“ sammelt, diese „Erfahrungen“ ordnet, daraus ein komplexes Modell entwickelt und schließlich „Erkenntnisse“ aus den entstandenen Mustern und Gesetzmäßigkeiten gewinnt. Maschinen lernen also, indem sie – mit Datensätzen gespeist – trainiert werden. Sie stellen aus Bildern, Texten und Sensordaten automatische Klassifizierungen her und geben immer öfter eine genauere Analyse und schnellere Prognose aus als Menschen. Die KI lernt die Welt folglich ausschließlich aus Daten kennen.

Maschinelles Lernen ist in der Wirtschaft ein durchaus probates Mittel zur Mustererkennung und Prozessentwicklung sowie Tools-Optimierung geworden. Es wird hier deutlich, warum Rechner so viel schneller lernen können als Menschen: der Faktor Zeit bestimmt den menschlichen Wissensengpass. Sie brauchen keine Pausen, keinen Schlaf, müssen nicht essen, sterben nicht, können 365 Tage im Jahr laufen, Daten analysieren und lernen. Der Begriff lebenslanges Lernen definiert sich dadurch neu.

Maschinelles Lernen ist wesentlich effektiver als das menschliche Lernen. Eine Software kann zum Beispiel innerhalb kurzer Zeit mehr Spiel-Durchgänge durchlaufen als ein Mensch bis zu seinem Tod je spielen könnte. Die menschlichen Grenzen des Lernens, der Wissensaneignung, der Intelligenz, des Alterungsprozesses und schließlich der Tod können durch Maschinen mittlerweile deutlich überwunden werden. Muss man jetzt befürchten, dass Maschinen über ihre Grenzen hinaus lernen und reflektieren, also wie wir Menschen „denken“ können?

KI „lernt“ nur in der Entwicklungsphase

Computer können in der Regel nur das tun, was man ihnen wortwörtlich vorschreibt. Die Programmierung – die Algorithmen, also die Anweisungen im Programmcode – bestimmt, was die KI zu erlernen hat. Es gibt drei Strategien, wie KI lernen kann: überwachtes (supervised), unüberwachtes (unsupervised) und verstärkendes Lernen (reinforcement learning).

Überwachtes und unüberwachtes Maschinenlernen im Vergleich.
Überwachtes und unüberwachtes Maschinenlernen im Vergleich.

Beim überwachten Lernen wird immer strikt vorgegeben, welcher In- und Output zu erwarten ist. Das Lern-Ergebnis steht damit fest und kann während des Trainings vom Menschen „überwacht“ werden. Das unüberwachte Lernen wird ohne vorher definierte Ziel-Werte trainiert, also ohne menschliche „Überwachung“. KI lernt dadurch beispielsweise verschiedene Cluster- oder Segmentierungsfunktionen und eröffnet somit neue Kenntnisse von Datenverteilungen. Verstärkendes Lernen bezeichnet das eigendynamische Vorgehen von KI, Strategie-Formen zu erlernen, die eine Belohnung erzielen, um das maximal strategische Potenzial, z.B. in Video-Spielen, zu ermitteln.

Es wird demnach in der Entwicklungsphase von vornherein klar definiert, was von KI erwartet wird, wie sie „lernen“ soll und wie die Ergebnisse aussehen können. Die KI folgt strikt den Anweisungen ihres Programmcodes, wird mit Unmengen an Datensätzen „trainiert“ und erfüllt schließlich den Zweck oder auch nicht. Wenn beispielsweise beim überwachten Lernen ein anderes Ergebnis ausgegeben wird, verbessert die Forschungsgruppe den Algorithmus oder formuliert ihn neu. Sobald die KI die Anwendung wiederholt fehlerfrei ausgibt, also erfolgreich „gelernt“ hat, ist sie bereit für die Übergabe in den wirtschaftlichen Markt. Allerdings muss darauf geachtet werden, dass nicht zu viel Wert auf die Optimierung der Trainingsdaten gelegt wird, damit kein „Overfitting“ geschieht. Dies bezeichnet die Lern-Perfektion von Trainingsdaten, die in der praktischen Anwendung nicht den Realdaten entspricht. Dadurch kann die entwickelte KI ebenfalls unbrauchbar werden.

Hier wird offensichtlich, dass der Lernprozess der KI ausschließlich in der Entwicklungsphase vonstatten geht. Danach wird sie als fertiges Programm auf den Markt gebracht und durchläuft fortan immer dem vorgegebenen Algorithmus. Ein „Lernen“ ist im Nachhinein also weder vorgesehen, noch geschieht dies.

ML-Kompetenzen, die momentan in der Ökonomie eingesetzt werden, sind insbesondere: Gruppenbildung, Objektklassifizierung, Werteschätzung und Vorhersage, Aktionen für Agenten auswählen, Bildererkennung, Spracherkennung, Textextraktion, Infoverarbeitung, Textverständnis.

Spracherkennung mittels KI auf dem Vormarsch

Ein besonderer KI-Fortschritt liegt in der Spracherkennung. Statt über die übliche Ein- und Ausgabe mittels der Tastatur können Anweisungen seit geraumer Zeit in vielen Geräten, z.B. Smartphone oder Smart-Home-Anwendungen, über die Sprache erteilt werden. Wortschatz und Grundzüge der Grammatik kann KI problemlos erlernen. Auch semantische Inhalte bereiten kaum Schwierigkeiten, da ein schier unendliches Datenvolumen zum „Lernen“ verfügbar ist.

Die Grenzen der KI

Die Idee, dass eine Software aus Daten lernen und eigene Algorithmen ändern kann, um langfristig ihr Potenzial noch mehr auszuschöpfen, ist im maschinellen Lernen maßgebend. Jedoch hat das maschinelle Lernen nicht nur unendlichen Zugang zu Datenbeständen, sondern auch große Einschränkungen und entscheidende Grenzen, die kaum zu überwinden sind, wie die folgenden 8 Punkte zeigen.

1. KI kann nicht abstrakt „denken“

Künstliche Intelligenz ist nicht in der Lage, flexibel auf kleine Veränderungen oder neue Anwendungsprobleme zu reagieren. Sie kann keine logischen oder zufälligen Zusammenhänge in abstrakten Konzepten erkennen und herstellen. Ihr erlerntes Wissen kann sie nicht auf andere Ebenen übertragen. Wenn Bilder im Datensatz beispielsweise wenig Pixel aufweisen, hat die KI Mühe, diese Bilder richtig einzuordnen. Sie erkennt sie einfach nicht. Gerade beim autonomen Fahren ist dies ein großes Problem. Verkehrsschilder, auf denen Sticker oder Schmierereien aufgetragen wurden, sind für die KI des Fahrerassistenzprogramms nicht mehr erkennbar. Dies hat fatale Folgen und führt zu einem erheblichen Qualitäts- und Sicherheitsmakel. Es gibt bereits Versuche, absichtlich mögliche Fehler in den Datensatz einzubauen, um die Lernfähigkeit zu erhöhen. Erfolgreich war dieses Vorgehen bisher jedoch noch nicht.

Diese fehlende Anpassungsfähigkeit an veränderte Umstände kommt daher, dass die KI nur das „erlernt“, was in der Programmierung angeordnet ist. Die Codierung allerdings kann nur bedingt abstrakte Schlüsse vorgeben, sodass die Flexibilität des „logischen“ Denkens nicht realisiert werden kann. Aus diesem Grund ist beispielsweise die Mustererkennung ihre beste Kompetenz, die von Menschen niemals in der Menge an Datensätzen und vor allem in der Kürze der Zeit erlangt werden könnte.

Die Funktionsweise des menschlichen Gehirns ist überaus vielschichtig, sodass es logische Züge und abstrakte Konzepte herleiten kann, ohne jede Problematik von Grund auf neu erlernen zu müssen. KI aber kann Schlussfolgerungen nicht hinterfragen oder kritisch über Dinge nachdenken. Sie wird nicht irgendwann überlegen, dass die eintönige Mustererkennung keine Herausforderung mehr für sie ist. Dass sie gerne etwas Anspruchsvolles hätte und damit beginnt, ihre Fähigkeiten anderweitig einzusetzen. Diese Denkweise ist mit Algorithmen nicht möglich “nachzubauen“, denn KI hat kein „Bewusstsein“, kein Schmerzempfinden oder ein über sich hinaus wachsendes Empfinden. Die Simulation des humanen „Bewusstseins“ ist nicht möglich, wenn nicht einmal klar ist, inwieweit das menschliche Bewusstsein überhaupt organisch erfassbar ist.

2. Problem der Rekursivität

Daraus resultiert, dass Maschinen zwar lernen und „klüger“ werden können, aber sie besitzen nicht die Fähigkeit, von sich aus eine noch leistungsfähigere Maschine anzufertigen. Es gibt keine KI, die sich selbst verbessern kann. Ausschließlich Menschen können mit ihrer kognitiven Fähigkeit und kreativen, assoziativen Intelligenz optimierte Maschinen erdenken und bauen. Folglich ist maschinelles Lernen damit begrenzt, ausschließlich die Lernkompetenz und Lerngeschwindigkeit zu erhöhen.

3. Transparenz-Problem maschineller Entscheidungen

Es besteht ein großes Defizit in der Nachvollziehbarkeit von KI-Entscheidungsfindungen. Wie sich KI entscheidet und warum, kann nicht veranschaulicht werden, da sie innerhalb des Lern-Prozesses verschiedene Stränge abbildet und selektiert, bis sie zu einem Ergebnis kommt. Dieses Selektieren ist zu keinem Zeitpunkt einsehbar und erschwert damit die lückenlose Transparenz, die im wettbewerbswirksamen Geschehen unabdingbar ist. Es wird bereits daran gearbeitet, den Lernverlauf der KI in einzelne KI-Tools aufzuschlüsseln. Es bedarf jedoch noch einiges an Zeit, hier einen Durchbruch zu erzielen.

4. Simulationsgrenze von Emotionen

KI kann lernen, die Semantik von Wörtern und Sätzen zu „verstehen“ und angemessen darauf zu reagieren. So können Chatbots, beispielsweise im Kundendienst eingesetzt, angemessen „kommunizieren“ und einfache Fragen automatisiert beantworten. Im Gespräch mit einer KI eines Roboters aber merkt man recht schnell, wie grenzwertig die Kommunikationsfähigkeit doch ist. Denn die Wahrnehmungsfähigkeit eines Menschen beschränkt sich nicht nur auf das reine Frage-Antwort-Spiel. Hier werden durch Mimik, Gestik, instinktives Handeln oder empathische Gefühlsausdrücke ein Gesamteindruck „vermittelt“, der von einer Maschine nicht komplett wahrgenommen, geschweige denn gleichwertig simuliert werden kann. Dafür würden mehrere Sensoren notwendig sein, die gleichzeitig das Verhalten analysieren, verknüpfen und eine passende Ausgabe-Antwort ermitteln müssten. Diese sog. „Sensorfusion“ kann eine Maschine nicht realisieren. Die kognitive Verknüpfungsfunktion ist nur im menschlichen Gehirn verfügbar.

5. Rahmenbedingungen müssen klar definiert sein

Die künstliche Intelligenz wäre somit das Ergebnis zahlreicher verknüpfter Vorgänge, die miteinander Werte austauschen, was so nicht realisierbar ist. Demzufolge wird es keine höhere maschinelle Intelligenz geben können. Und das ist auch gut so. Denn Grenzen und Rahmenbedingungen sind für unternehmerische Zwecke notwendig. Die Problemstellungen, Ergebnisse und Lösungsvorschläge müssen klar definiert und formuliert sein, um das gewünschte Ergebnis zu erhalten. KI wird deshalb eingesetzt, um bestimmte Wettbewerbsziele zu erreichen. Sie muss Datensätze so aufschlüsseln, dass es dem Unternehmen einen Mehrwert bietet. Das Vertrauen in ein Produkt muss durch Zuverlässigkeit und gleichbleibender Qualität gesichert sein. Abweichungen in den KI-Ergebnissen würde einen Mangel am Produkt und an der Zielsetzung bedeuten. Solche Anwendungsprobleme sind für unternehmerische Zwecke unbrauchbar.

6. Moralische und ethische Grenzen

KI hat ein gewaltiges Diskriminierungsproblem. Sie kann aus Datensätzen keine mehrdeutigen Bild- oder Textinhalte erfassen. Mehrdeutigkeiten entstehen vor allem durch eine kognitive Verknüpfung an Werten aus literarischen, religiösen, mathematischen, sportlichen oder gar mimischen und sprachlichen Zusammenhängen. Die KI würde aus solchen Datensätzen nur eine einzige relevante Information auswählen, aber sie kann nicht mehrere Inhalte verwerten und assoziativ denken, so wie wir Menschen es beherrschen. Dadurch erhält man eine große Fehlerwahrscheinlichkeit, was moralisch oder ethisch nicht repräsentativ ist. Beispielsweise hat KI Schwierigkeiten, Redewendungen oder diskriminierende Formulierungen zu erkennen. Alters-, genderspezifisches oder religiöses sowie ethisches Wissen kann nicht einfach codiert und in Datensätzen „erkenntlich“ gemacht werden. Diese Informationen erlernen wir assoziativ und situativ im Laufe unseres Lebens. Diese kognitive Fähigkeit ist sozial entscheidend. KI kann dies nicht. Sie weiß nicht, was eine Beleidigung ist. Wenn KI beispielsweise in Social oder Gaming Bots menschlich ausgrenzende und abwertende Informationen wiedergibt, dann entstehen unternehmerische Risiken und drastische Imageprobleme. Die Schwierigkeit: KI weiß es ja nicht besser, denn sie kann es nicht verstehen.

7. Datenzugang und Privatsphäre

Ein ebenso großes Problem in der KI ist auch das des Datenzugangs und der Privatsphäre. KI ist digital und virtuell, sie hört immer zu und liest alles mit. In Lautsprechern und Kameras jeglicher Geräte ist KI als virtueller Minispion eingebaut. Smartphone-Signale sind rund um die Uhr empfangsbereit. Nicht erst seit Snowden ist bekannt, dass wir unsere Privatsphäre gefährden. Wie können wir uns davor schützen? Die Kameras von Laptops, Tablets und Smartphones immer zukleben? Mikrofone aller mobilen Geräte deaktivieren? Die Signale blockieren, indem man den Flugmodus nutzt oder das Smartphone in den Kühlschrank legt? KI kann jeden Zugang zu Daten nutzen und verarbeiten. Alle Informationen werden kurzfristig gespeichert und analysiert. Doch KI kann auch im Gegenzug die Privatsphäre schützen. Wenn entsprechende Datenschutz-Funktionen mit einer Möglichkeit der sofortigen Löschung nach der Datennutzung verordnet und eingebaut werden, ohne dass dies umgangen werden kann, ist zukünftig ein anonymes, weniger rückverfolgendes System hoffentlich der Standard.

8. Was ist mit Killerrobotern?

Was bringt Anonymität und Datenschutz, wenn autonome Killer-Maschinen bereits im Einsatz sind? Autonome Massenvernichtungswaffen sind keine Utopie mehr. Es gibt sie schon. Der stationäre, aber voll automatische Samsung-Roboter beispielsweise kann ein riesiges Areal durchkämmen und jede Person aus 4 km Entfernung identifizieren, sie vor dem Betreten des Gebiets warnen und schließlich autonom ausschalten, also töten. Autonom fliegende Drohnen, die (noch) auf Anweisung eines menschlichen Soldaten im Steuerungs-Bunker reagieren, haben ihre Schwachstelle in der Funk-Sequenz. Die Signale ließen sich von überall aus einfach stören und können für Angreifer ein leichtes Ziel werden. Wohin führt diese Leichtfertigkeit?

Hierfür sind globale ethische Richtlinien vonnöten, die besagen, dass Roboter keine Menschen verletzen dürfen. Es besteht die Meinung, dass nicht die intelligente KI Angst bereitet, sondern die dumme KI, die inkompetente Entscheidungen fällt. Doch Angst sollte man nicht vor Maschinen haben, sondern vor den Menschen und deren Intention dahinter. Die KI trifft nur falsche Entscheidungen, wenn sie zuvor auf solch ein Ergebnis hin programmiert wurde. Es müssen daher ethische Grundlagen für die Verwendung von KI bestehen, um einem Missbrauch vorzubeugen.

Exkurs: Der Hype um Deep Learning

Deep Learning ist ein Teilgebiet des maschinellen Lernens der KI.
Deep Learning ist ein Teilgebiet des maschinellen Lernens der KI.

Ein besonderer Zweig des maschinellen Lernens ist das sog. Deep Learning-Modell (DL). Ein Lernkonzept, das auf tiefer gehenden Strukturen mittels neuronaler Netze basiert. Diese künstlich erzeugten Neurone sollen helfen, die Ergebnisse aus millionenfachen Trainingsbeispielen – aus einem riesigen Datensatz – noch transparenter zu machen. Dem Namen nach orientiert sich das DL-Modell an das biologische Nervensystem des menschlichen Gehirns. Deep Learning simuliert das menschliche „Denken“ durch künstliche neuronale Netze so, dass die Bewertung der Dateninhalte in weitere vielfache Verknüpfungen zu einem Ausschlussverfahren führt. Ähnlich wie das menschliche „Alles-oder-nichts-Gesetz“ entscheidet die KI hier, ob die Information weitergegeben und damit komprimiert werden soll oder nicht. Der Vorteil: mittels sog. „Wissensgraphen“ kann die maschinelle Entscheidungsfindung transparenter gemacht werden. Das Problem ist aber, dass dieses Konzept auf unendliche Trainingsbeispiele angewiesen ist, also einen unbändigen Datenhunger aufweist, um erfolgreich zu sein. Dadurch ist es später enorm abhängig von ihrem ursprünglichen Datensatz. Dies macht es anfällig für Falschberechnungen, wenn nicht genügend Daten zur Verfügung standen.

Erfolge erzielt Deep Learning bereits in der Sprachbearbeitung, Mustererkennung, Objekterkennung und Bioinformatik. Im Einsatz ist Deep Learning vor allem in AlphaGo und in Open-Source-Software. Deep Learning ermöglicht, in Echtzeit riesige Datenvolumen zu verarbeiten, was vor allem im Finanzwesen enorm wichtig ist, wenn die Speicherung solcher gigantischer Datensätze nicht realisiert werden kann.

Wenn die Daten das neue Öl sind, ist das Maschinenlernen die Raffinerie, in der diese großen Datensätze veredelt werden.“ – Toby Walsh

Ausblick: Droht ein millionenfacher Arbeitsplatzverlust?

Mit dem erfolgreichen Einsatz in allen Lebensbereichen und dem überragenden Nutzen von künstlicher Intelligenz sehen viele Menschen die KI mit Skepsis, wenn es um ihre eigenen Arbeitsplätze geht. Muss man vielleicht befürchten, dass KI die menschlichen Alleinstellungsmerkmale überwindet und ihre Kompetenzen übersteigt?

Wohl kaum. Die Grenzen des maschinellen Lernens zeigen deutlich, dass die technologischen Möglichkeiten höchstens im Ersetzen von Arbeitsprozessen liegen, die weitgehend monoton ablaufen, eine hohe Datenmenge verarbeiten und automatisiert werden können. Das bedeutet, dass künstliche Intelligenz keine „höhere Intelligenz“ entwickeln kann, sondern ausschließlich auf Schnelligkeit und Genauigkeit hin zielt.

Der Wert der Arbeitskraft geht damit nicht verloren, sondern verschiebt sich allemal oder schafft gar neue Möglichkeiten. Die Vergangenheit zeigt, dass die Art des Arbeitens sich jedes Mal neu erfinden musste, sobald technologischer Fortschritt sie verbessert oder gar verschoben hat. Es wurden neuartige Arbeitsplätze geschaffen, mit unbekannten Herausforderungen und neuen kreativen und innovativen Denkansätzen.

Unter dem Begriff des „Intelligent Empowerment“ ist schon jetzt der Nutzen einer Verknüpfung von KI und menschlicher Kompetenz zu sehen. Viele Unternehmen setzen großen Wert auf die Vorteile, menschliches Denkvermögen mit Applikationen künstlicher Intelligenz zu verbinden. Es birgt großes Innovationspotenzial, wenn wir KI dazu nutzen können, unsere Arbeitszeit so zu gestalten, dass KI datenbasierte Arbeit übernimmt und man den Rest der Zeit sinnvoll in kreative Projekte investieren kann. Vielleicht erlaubt dieses Vorgehen gar eine Verkürzung der Wochenarbeitszeit und ermöglicht uns in Zukunft mehr Zeit für Freizeitbeschäftigungen? Die Zukunft wird es zeigen.

ncl

Inspiration und Quelle: Walsh, Toby: 2062. Das Jahr, in dem die künstliche Intelligenz uns ebenbürtig sein wird, Riva Verlag: München 2019. Aus dem Englischen übersetzt.

Das könnte dich auch interessieren …

Eine Antwort

  1. 20. Dezember 2020

    […] erfahren wir in vielen Bereichen heutiger Jobs. Durch Maschinelles Lernen und Künstliche Intelligenz ist beispielsweise das Finanzwesen stark rationalisiert worden. Fast […]

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.